大模型推理能力

Relay-Bench: Evaluating LLMs on Multi-Domain Reasoning Chains

Relay-Bench：评估大语言模型在多领域推理链上的表现

Liam Swayne

专题命中 数学推理 ：reasoning(title,abstract)；分类 cs.CL、cs.AI、cs.LG

AI总结 Relay-Bench是用于评估大语言模型在多领域推理链能力的基准测试，测试集含复合问题，涵盖多领域，模型使用无限制，鼓励利用工具，领先模型GPT-5.5（xHigh）得分43.3%，问题由两到十三个子问题组成，无需多模态输入输出。

Comments 21 pages, 7 figures

Fishing Out Free Riders: Shapley-Based Reward Attribution for Parallel Reasoning via Reinforcement Learning

揪出搭便车者：基于夏普利值的强化学习并行推理奖励归因

Wentao Zhang, Haoyu Zhang, Xinke Jiang, Yuxuan Cheng, Yuhan Pan, Miao Li, Zhipeng Qiao, Tao Feng, Zhen Tao, Dengji Zhao

机构 * ShanghaiTech University（上海科技大学） ； City University of Hong Kong（香港城市大学） ； Peking University（北京大学） ； The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）） ； Zhejiang University（浙江大学） 纠错

专题命中 数学推理 ：reasoning(title,abstract)；分类 cs.AI

AI总结 研究大型语言模型多步推理中并行推理路径贡献难区分问题，提出基于夏普利值的强化学习框架并行夏普利值方法，通过量化边际贡献等实现按比例分配奖励，实验证明其优于基线且能改进多路径推理。

Comments 19 pages, 4 figures, 8 Tables

Reasoning Error from Known Fact: Step-Level Self-Consistency Group Relative Policy Optimization for LLM

已知事实导致的推理错误：针对大语言模型的步骤级自一致性组相对策略优化

Xiaomeng Hu, Jiaqi Hu, Hao Chen, Qi Zhang, Zhanming Shen, Wentao Ye, Junbo Zhao

机构 * Zhejiang University（浙江大学） 纠错

专题命中 数学推理 ：reasoning(title,abstract)；分类 cs.CL

AI总结 针对大语言模型推理中因上下文干扰产生事实错误的问题，提出步骤级自一致性组相对策略优化（SSC - GRPO），通过计算自一致性分数分配步骤级奖励，在数学推理基准和幻觉排行榜上取得领先，为检测和减轻幻觉提供新视角。

Structured Synthetic Reasoning Data for Arithmetic Fine-Tuning of Small Language Models

用于小型语言模型算术微调的结构化合成推理数据

Jake O'Grady, Effirul Ramlan

机构 * University of Galway（戈尔韦大学） ； School of Computer Science（计算机科学学院） 纠错

专题命中 数学推理 ：reasoning(title,abstract)；分类 cs.AI

AI总结 研究小型语言模型多步算术推理困难问题，通过生成结构化合成推理数据并结合LoRA在消费硬件上微调Qwen3模型，提高了模型在GSM8K等基准测试上的准确率和迁移效果，证明低成本合成数据设计可改善小型语言模型算术适应性。

Off-Context GRPO: Learning to Reason on Hard Problems using Privileged Information

脱离上下文的广义信赖域策略优化算法：利用特权信息学习解决难题

Priyank Agrawal, Ankur Samanta, Shervin Ghasemlou, Jalaj Bhandari, Kavosh Asadi, Daniel Jiang, Aditya Modi

机构 * Meta AI ； Columbia University（哥伦比亚大学） 纠错

专题命中 数学推理 ：reasoning(abstract)；分类 cs.AI、cs.LG

AI总结 研究利用特权信息解决强化学习难题，提出脱离上下文的广义信赖域策略优化算法（OC - GRPO），通过引导展开和重要性校正目标避免训练不匹配，在标准数学推理基准上比普通GRPO有显著提升且成本低。

Comments 24 Pages

FindStatBench: Evaluating Large Language Models on Combinatorial Code Synthesis

FindStatBench：在组合代码合成上评估大语言模型

Soham Dan

专题命中 数学推理 ：reasoning(abstract)；分类 cs.AI

AI总结 介绍用于评估大语言模型组合代码合成能力的FindStatBench基准，涵盖多种合成任务，通过特定方式评分并评估11个系统，发现开源闭源系统准确率趋同、示例可能有害、存在输出预算问题等，揭示统计合成与映射合成的差异及相关问题。

Computational models of pragmatic reasoning with flexible generation of meaning and expression alternatives

具有灵活生成意义和表达替代方案的语用推理计算模型

Polina Tsvilodub, Fausto Carcassi, Michael Franke

机构 * University of Tübingen（图宾根大学） ； University of Amsterdam（阿姆斯特丹大学） 纠错

专题命中 代码与定理证明 ：reasoning(title,abstract)；分类 cs.CL

AI总结 研究提出SAGE框架，结合认知模型与语言模型，将语用过程分解为提议者、评估者和选择器模块。通过三个案例研究评估，该模型取得高精度且常超基线，不过组件分析有不对称性，还探讨了神经符号模型在语用语言使用中的前景与局限。

Comments 27 pages main text, 9 figures; 25 pages supplementary materials

RECEIPT: Deterministic, Reward-Hacking-Resistant Verification for White-Box Agentic XSS Discovery

RECEIPT：用于白盒代理式XSS发现的确定性、抗奖励攻击验证

Muxi Lyu, Karen Shieh, Yiwei Hou, Hao Wang, Koushik Sen, David Wagner

专题命中 代码与定理证明 ：reasoning(abstract)；verifier(abstract)

AI总结 研究针对白盒代理式XSS发现中编码代理声明不可信的问题，提出RECEIPT验证框架，通过环境隔离等手段使发现可信，经实验评估，在预算内发现多个未知漏洞，相比其他方式能确认更多真实利用且无假阳性。

Formal Verification of an Out-of-Order Multiprocessor against an In-Order Weak-Memory ISA

针对顺序弱内存ISA的乱序多处理器形式验证

Janggun Lee, Jeehoon Kang

专题命中 代码与定理证明 ：reasoning(abstract)

AI总结 研究针对顺序弱内存ISA的乱序多处理器验证问题，核心方法是设计核心规范并分两步证明，主要贡献是首次实现此类形式验证，借助核心规范简化证明，且利用LLM代理自动编写证明。

Mapping the Narrow Corridor with Large Language Models

用大语言模型绘制狭窄走廊

Ebrahim M Songhori

专题命中 代码与定理证明 ：chain-of-thought(abstract)

AI总结 研究探讨大语言模型能否将国家历史在二维空间路径的框架付诸实践，引入可重现流程，制作12国轨迹图集并比较四个模型，评估与专家指数的一致性及模型间一致性，还讨论了大语言模型注释器和人类专家偏差差异。

MechAInistic: An LLM-guided Multi-Agent System for Reasoning over Genome-Scale Constraint-Based Metabolic Models

MechAInistic：一种由大语言模型引导的多智能体系统，用于基于基因组规模的约束代谢模型进行推理

Josh Loecker, Narayna Puraja, William Bryan, Bhanwar Lal Puniya, Ahmed Abdeen Hamed, Tomáš Helikar

专题命中 逻辑推理 ：reasoning(title)；分类 cs.AI

AI总结 研究旨在降低基于约束的代谢建模使用门槛，开发了MechAInistic多智能体系统，借助大语言模型，围绕特定模式将自然语言问题转化为可执行工作流程，通过两个免疫细胞代谢模型用例验证，能生成可追溯的治疗假设。

Comments 23 pages, 6 figures,

Operational Hallucination and Safety Drift in AI Agents

人工智能代理中的操作幻觉与安全漂移

Shasha Yu, Fiona Carroll, Barry L. Bentley

专题命中 逻辑推理 ：reasoning(abstract)；分类 cs.CL、cs.AI

AI总结 研究大型语言模型在多轮执行中引发的可靠性风险，通过多轮评估量化安全漂移和操作幻觉现象，分析其根源，提出行动感知监督层，该层能拦截违规行为且无良性误报，提升了代理可靠性。

State Compression in Two-Agent LLM Relays: A Closed-World Study of Constraint Preservation

双智能体语言模型中继中的状态压缩：约束保留的封闭世界研究

Anantha Sharma, Sheeba Elizabeth John, Kaarthik Senthil Kumar, Saratsuhas Vijayababu

专题命中 逻辑推理 ：planning(abstract)；分类 cs.CL、cs.AI

AI总结 研究双智能体LLM中继中交接压缩问题，比较无压缩、叙述性总结、JSON提取、基于嵌入的修剪四种交接条件，发现交接表示影响下游可行性，JSON提取可行性准确率最高达0.96，结构化可审计表示利于约束检查。

Comments 8 pages, 2 figures, 3 tables

DWM: Separating World Effects from Actions in Latent World Models

DWM：在潜在世界模型中分离世界效应与动作

Yi-Ge Zhang, Tianqi Du, Qi Zhang, Yisen Wang

机构 * Peking University（北京大学） 纠错

专题命中 逻辑推理 ：planning(abstract)；分类 cs.AI

AI总结 研究在潜在世界模型中分离世界效应与动作的问题，提出DWM框架，通过辅助世界头和正交性约束实现预测转换的显式加法分解，在构建的W变体基准测试中取得更好效果。

Engineering Trustworthy Agentic AI for Critical Systems

为关键系统设计可靠的智能体人工智能

Omar Al-Refai, Ibrahim Shahbaz, Adam Ali Husseinat, Michael Mandulak, Jaewon Kim, Eman Hammad

机构 * Texas A&M University（德克萨斯A&M大学） ； Innovations in Systems Trust and Resilience (iSTAR) Laboratory（系统信任与弹性创新（iSTAR）实验室） ； Texas A&M Institute of Data Science - Security, Privacy and Resilience for Trusted AI (SPARTA) Thematic Lab.（德克萨斯A&M大学数据科学研究所 - 可信人工智能的安全、隐私与弹性（SPARTA）主题实验室） ； Texas A&M Global Cyber Research Institute (GCRI)（德克萨斯A&M大学全球网络研究所） 纠错

专题命中 逻辑推理 ：planning(abstract)；分类 cs.AI

AI总结 研究针对关键工程领域智能体人工智能，将可靠性作为首要工程属性，采用围绕五个维度的可靠性模型及保证工作流程，综述相关架构、机制等，经多领域检验，指出其可靠性是单一问题并勾勒跨域保证框架路径。

Comments This work has been submitted to the IEEE for possible publication

STeP: Signal Temporal Logic for Precise Specifications for Action Generation with Vision Language Models

STeP：用于视觉语言模型动作生成精确规范的信号时序逻辑

Kasra Torshizi, Anukriti Singh, Sidharth Mathur, Khuzema Habib, Leo Du, Pratap Tokekar

机构 * University of Maryland（马里兰大学） 纠错

专题命中 逻辑推理 ：planning(abstract)

AI总结 针对视觉语言动作模型缺乏可解释性及难以遵循精确自然语言指令的问题，提出用信号时序逻辑（STL）连接高级语言理解与低级机器人执行的分层框架，经实验验证该框架能提高语言条件下机器人规划的精度、可靠性和可解释性。

Comments 14 pages, 6 figures

WorldScape Policy 2.0: Empowering Steerable World Action Modeling with Reasoning-Augmented Memory

WorldScape Policy 2.0：通过推理增强记忆实现可控的世界行动建模

Haisheng Su, Zongdai Liu, Xin Jin, Haoxuan Dou, Chengming Hu, Baorun Li, Zhanwang Liu, Ruiyan Xu, Jianjie Fang, Xin Zhang, Zhenjie Yang, Xue Yang, Chen Gao, Junchi Yan, Yong Li, Wei Wu

专题命中 规划推理 ：reasoning(title,abstract)；planning(abstract)

AI总结 研究针对现有世界行动模型的局限，提出WorldScape Policy 2.0，用推理增强记忆，构建相关数据集，实现从高级指令自主规划及基于细粒度文本等的可控执行，在模拟和现实平台实验中展现出在多方面的卓越能力。

MUX: Continuous Reasoning via Multiplexed Tokens

MUX：通过复用令牌进行连续推理

Ayhan Suleymanzade, Halil Alperen Gozeten, Michael Bronstein, İsmail İlkan Ceylan, Jinwoo Kim

专题命中 规划推理 ：reasoning(title,abstract)；分类 cs.CL、cs.AI、cs.LG

AI总结 研究提出MUX方法，将离散推理提炼为连续复用令牌，通过位置相关加权实现无损复用，防止潜在坍缩，能在需搜索问题中并行探索，在多语言模型评估中优于基线，证明无损叠加是实现高效潜在连续推理的充分条件。

AI Tour Meeting: Group Travel Planning by LLM Agents

人工智能旅游会议：基于大语言模型代理的团体旅行规划

Daisuke Kikuta

机构 * NTT, Inc.（日本电报电话公司） 纠错

专题命中 规划推理 ：planning(title,abstract)；分类 cs.CL、cs.AI

AI总结 提出基于大语言模型代理的团体旅行规划框架AI Tour Meeting，通过自然语言讨论找满足约束和偏好的行程，提供相关配置接口实现灵活编排，可作模拟工具，还展示了系统验证等结果以证明其效用。

Comments The code is available at https://github.com/ntt-dkiku/ai-tour-meeting

Planning as Emergent Behavior in Reinforcement Learning with Relational Hidden States

关系隐藏状态强化学习中作为涌现行为的规划

Armin Sommer

机构 * ETH Zurich（苏黎世联邦理工学院） 纠错

专题命中 规划推理 ：planning(title,abstract)；分类 cs.AI、cs.LG

AI总结 研究无模型强化学习中规划作为涌现行为的现象，发现神经架构的隐藏状态结构是决定因素，关系隐藏状态网络能获规划机制，恢复环境转移结构并改进策略，解释了涌现规划现象并引发相关问题。

Censoring-Aware In-Context Learning for Generalized Supplier Lead Time Estimation in Supply Chain Planning

供应链规划中广义供应商提前期估计的审查感知上下文学习

Christopher Wang, Sebastien Ouellet, Behrouz Haji Soleimani, Ali Etemad

机构 * Queen’s University（女王大学） ； Kinaxis Inc.（Kinaxis公司） 纠错

专题命中 规划推理 ：planning(title,abstract)；分类 cs.AI、cs.LG

AI总结 研究供应链规划中供应商提前期预测问题，提出审查感知上下文学习模型LeadTime-ICL，结合Transformer与条件归一化流头，经预训练可适应新数据集，在多数据集上评估表现优异，为工业规划提供准确低成本预测。

Stochastic Multi-Objective Kinodynamic Planning Against Adversaries

针对对手的随机多目标运动动力学规划

Thomas Marshall Vielmetti, Daniel Cherenson, Dimitra Panagou

机构 * University of Michigan（密歇根大学） 纠错

专题命中 规划推理 ：planning(title,abstract)

AI总结 研究在含随机混合对手环境下的多目标运动动力学规划，核心方法是将规划空间转移到闭环策略序列，通过蒙特卡洛粒子展开评估风险，引入SMO-RRT和SMO-SST算法，推导有限样本界，实现概率安全规划。

Comments 8 pages, 1 figure, accepted to CDC 2026

Agents in the Wild: Where Research Meets Deployment

野外的智能体：研究与部署的交汇点

Grace Hui Yang, Pranav N. Venkit, Hooman Sedghamiz, Enrico Santus, Victor Dibia, Ioana Baldini

机构 * Georgetown University（乔治敦大学） ； Salesforce（Salesforce公司） ； Bayer（拜耳公司） ； Bloomberg（彭博公司） ； Microsoft Research（微软研究院） 纠错

专题命中 规划推理 ：reasoning(abstract)；planning(abstract)；分类 cs.CL、cs.AI

AI总结 探讨基于大语言模型的智能体系统从研究到部署的转变，通过案例研究分析成功设计模式及失败缓解策略，为与会者提供跨行业安全可靠部署的全面视角、设计模式、评估清单和模板。

S3: Stable Subgoal Selection by Constraining Uncertainty of Coarse Dynamics in Hierarchical Reinforcement Learning

S3：通过约束分层强化学习中粗粒度动力学的不确定性进行稳定子目标选择

Kshitij Kumar Srivastava, Kshitij Jerath

机构 * University of Massachusetts, Lowell（马萨诸塞大学洛厄尔分校） 纠错

专题命中 规划推理 ：planning(abstract)；分类 cs.LG

AI总结 研究分层强化学习中高层智能体子目标选择问题，提出用粗粒度动力学提供动力学感知内在动机，通过最小化预测不确定性稳定高层策略，经实验验证该方法在非平稳长期环境中表现优于现有方法。

Comments Manuscript accepted to the Eighteenth Workshop on Adaptive and Learning Agents (ALA), at the 25th International Conference of Autonomous Agents and Multi Agent Systems 2026

Data Leakage Prevention in Agentic Applications via Preemptive Hardening

通过先发制硬化防止智能应用中的数据泄露

Akansha Shukla, Emily Bellov, Parth Atulbhai Gandhi, Yuval Elovici, Asaf Shabtai

机构 * Faculty of Computer and Information Science（计算机与信息科学系） ； Ben-Gurion University of the Negev（内盖夫本· Gurion大学） 纠错

专题命中 规划推理 ：planning(abstract)；分类 cs.AI

AI总结 研究智能应用数据泄露问题，提出预部署管道，通过分析提示模板等识别泄露模式并生成补丁，经硬化和验证确保应用功能不受影响，评估显示能有效减少数据泄露。

Do AI-Native Biotechs Need Departments? Benchmarking Company World Models for AI-Driven Drug Development

人工智能原生生物技术公司需要部门吗？人工智能驱动药物研发的公司世界模型基准测试

Yinan Wang

机构 * Noah AI Research（诺亚人工智能研究） 纠错

专题命中 规划推理 ：planning(abstract)；分类 cs.AI

AI总结 研究人工智能原生生物技术公司组织模式，提出公司世界模型，用含45个案例的虚拟实验室基准测试，比较多种架构，发现价值转换架构表现优，核心操作原语应是资产到价值状态而非静态组织结构图，不过研究仅限虚拟实验室。

Comments Working paper. Includes public no-label benchmark cases and dry-lab evaluation artifacts. No wet-lab, patient-level, clinical, regulatory, or investment validation is claimed

BatchDAG: LLM-Planned Execution Graphs for Scalable Ad-Hoc Analysis Over Enterprise Data

BatchDAG：用于企业数据上可扩展即席分析的大语言模型规划执行图

Anupreet Walia

专题命中 规划推理 ：planning(abstract)；分类 cs.AI

AI总结 研究针对企业数据跨实体分析问题，提出BatchDAG系统，大语言模型生成操作DAG，经确定性引擎评估。通过实体感知批处理优化，减少大语言模型调用。实验显示其质量高、溯源性好，能高效处理查询，是通用编排层替代手工工作流程。

Comments 9 pages, 2 figures, 9 tables

FARO: Feasibility-Aware Robot Motion Optimization

FARO：可行性感知机器人运动优化

Michal Ciebielski, Shafeef Omar, Aaron Johnson, Majid Khadiv

机构 * Munich Institute of Robotics and Machine Intelligence (MIRMI), Technical University of Munich (TUM)（慕尼黑工业大学慕尼黑机器人与机器智能研究所） ； Institute for Advanced Study, Technical University of Munich（慕尼黑工业大学高级研究所） ； Carnegie Mellon University（卡内基梅隆大学） ； SIEMENS AG（西门子公司） ； Huawei-TUM joint laboratory（华为-慕尼黑工业大学联合实验室） 纠错

专题命中 规划推理 ：planning(abstract)

AI总结 针对机器人在未知场景快速规划新行为的挑战，提出嵌套运动动力学框架，结合可行性引导树搜索和大语言模型采样策略，能改善搜索过程，生成的轨迹可用强化学习控制器跟踪，质量高可用于实际运动操作场景。

A National-Scale EV Charging Scheduling Framework: Optimal Detour Routing Under Infrastructure Capacity Constraints

一个全国规模的电动汽车充电调度框架：基础设施容量约束下的最优迂回路由

Taner Cokyasar

专题命中 规划推理 ：planning(abstract)

AI总结 研究在现有充电基础设施下电动汽车长途旅行调度负担与成本，提出基于优化的可扩展框架，分三阶段计算最优充电调度，应用于大量车辆轨迹，能快速生成可行调度并评估电动汽车成本竞争力。

No Training, Better Flights: Test-Time Scaled VLMs for UAV Navigation

无需训练，飞行更佳：用于无人机导航的测试时缩放视觉语言模型

Feinan Cheng, Dongliang Xu, Wenli Nong, Zhiheng Zhang, Ang Liu, Tianyu Wang, Yue Yao

专题命中 视觉空间推理 ：reasoning(abstract)；planning(abstract)；self-correction(abstract)

AI总结 研究如何将测试时缩放应用于无人机视觉语言导航，通过迭代细化和多标准评分函数，无需额外训练，使冻结模型自我校正，生成更准确可靠飞行计划，实现最优性能。